qq_46781387的博客

原因1：深度图主要有红外镜头1,2拍摄图像，通过图像匹配生成，因为 三个镜头是分开的，存在三个不同视角，导致彩色画面中像素在深度图中不存在，因此为无效深度值（这里深度图对齐与彩色图）；上图为经过空间滤波，空洞填充的优化深度图，但是其深度信息， 对于立体物体，尤其是微小的立体物体 存在失真， 本来是有高度层次变化的实例物体点云，优化后， 变为平面点云。: 步长参数，设置为大于1的值可以降低点云的分辨率。近距离看，远程点云有些失真，（可能是光照原因）褐色是玻璃（平面），显示的点云为凹形。深度值先缩放再截断。

双边滤波和MLS（Moving Least Squares，移动最小二乘）都是常用的点云平滑技术，以下是它们的异同、优缺点：### 相同点- **非线性滤波**：二者都属于非线性滤波方法，能够在一定程度上保留点云的边缘和细节信息，避免像传统线性滤波方法那样容易产生过度平滑导致特征模糊的问题。- **基于邻域的处理**：都是基于点云数据的局部邻域信息进行滤波处理，通过考虑邻域内点的相关性来确定当前点的平滑结果。### 不同点- **原理基础**

【代码】open3d 创建球体。

右手大拇指指向z轴， 手掌张开，食指指向 x轴， 手掌向内弯曲90度， 食指指向y轴。

将生成的点云数据保存为 点云格式的文件。

随机颜色这里，open3d给点云赋值颜色的RGB三个量范围为[0,1]。如下，如果返回[0,255],则需要除以255.0，转换为小数。

是否显示网格的线框，默认为。: 是否显示网格的背面，默认为。: 需要可视化的几何对象列表。: 可视化窗口的标题，默认为。: 窗口的左边界位置，默认为。: 窗口的上边界位置，默认为。: 是否显示点的法线，默认为。: 窗口的宽度，默认为。: 窗口的高度，默认为。: 相机的观察向量。: 相机的向上向量。: 相机的向前向量。: 相机的缩放级别。

计算速度快，适合有序点云（如激光雷达按行/列排列的数据）。：对无序点云效果差，可能导致采样不均匀或丢失局部细节。：保持空间分布均匀，适合无序点云，能有效保留几何特征。迭代选择距离已选点最远的点，确保采样点覆盖整个空间。：计算复杂度高（O(N^2)），不适用于实时任务。，每个体素内保留一个点（通常取中心点或随机点）。点云深度学习（如 PointNet、点云分割）。直接根据点的顺序进行采样，不依赖空间分布。控制网格大小，体素越大，降采样越激进。有序点云（如深度相机、激光雷达数据）。

**特点**：在点云的指定维度（如x、y、z）上设置阈值范围，过滤掉该维度上不在阈值范围内的点，能够快速去除离群点，达到粗处理的目的。- **作用**：用于去除点云数据中在某一维度上明显偏离正常范围的离群点，或提取感兴趣区域内的点云数据。- **使用场景**：当点云数据在某一方向上分布较广，但其他方向分布有限时，可通过直通滤波器确定点云在该方向上的范围，剪除离群点。

最近在学习使用open3d，对于一些函数不理解怎么使用，因此记录一下经常使用的函数，通过问ai，了解每个函数及其参数的含义。